二十一世纪以来，数据在以一种爆发式的速度增长，使得人们的生活中充斥着大量的信息资源。但人们要想从这些信息中提取出有用的信息却变得异常困难。如何在不断膨胀的资源中迅速、准确地找到适合用户的信息，满足用户的个性化需求，逐渐成为众多研究者和网络用户关注的热点问题。推荐系统就是在这样一种能够快速发现有效信息并且准确发现用户兴趣的一种新兴技术，它同时使得用户也能获得很好的用户体验。推荐系统在很多电子商务网站上有着非常广泛的应用，而且用户对推荐系统的要求日益增加，使得推荐系统逐渐成为广大科研工作者研究的重点。在推荐系统中被广泛应用的协同过滤技术具备准确性与易于实现性的特点。但是协同过滤技术自身固有的缺点，比如数据稀疏性问题、扩展性问题、孤立用户问题，在这个大数据的时代显得更加明显。正是由于充分意识到协同过滤技术的不完善性，本文进一步对协同过滤技术做了深入的研究与分析，提出了基于用户的偏好以及基于物品特征的混合协同过滤算法。该算法改进了用户及物品的相似度的衡量方法，通过对物品特征属性的提取，计算物品的不同特征属性对于物品的权重，确定不同的项目特性。根据用户对于物品的评价获取用户对项目不同特征的偏好程度。根据特征属性以及用户偏好来为用户更好的推荐产品，使得推荐更加准确有效率，也使得推荐算法可以更好的处理的数据稀疏性等问题，同时挖掘了用户评分模型的潜在语义，使推荐结果更具有解释性，挺高了推荐准确率。本文采用了MovieLens数据集将本文中的算法与基于项目的协同过滤算法和基于项目特征的协同过滤算法进行了比对实验，使用MAE性能指标对实验结果进行测试。实验结果表明本文提出的基于用户偏好-特征的混合协同过滤算法在评分预测的准确性上与前两者相比有很大的提高。